序列推荐中的等变对比学习
摘要：序列推荐模型的训练受益于具有信息自监督信号的对比学习。现有的解决方案采用通用的序列数据增强策略生成正样本，并鼓励它们的表示具有不变性。然而，由于用户行为序列的固有属性，一些增强策略（如物品替换）可能会导致用户意图的改变。为所有增强策略无差别地学习不变表示可能不是最佳选择。因此，我们提出了用于序列推荐的等变对比学习（Equivariant Contrastive Learning for Sequential Recommendation，ECL-SR）方法，赋予SR模型较强的区分能力，使得学习到的用户行为表示对于侵入性增强（如物品替换）敏感，对于轻微增强（如特征级的丢弃掩码）不敏感。具体而言，我们使用条件鉴别器捕捉由于物品替换而产生的行为差异，从而鼓励用户行为编码器对侵入性增强具有等变性。在四个基准数据集上进行的综合实验证明，所提出的ECL-SR框架与最先进的SR模型相比具有竞争力的性能。源代码可在https://github.com/Tokkiu/ECL找到。
作者：Peilin Zhou, Jingqi Gao, Yueqi Xie, Qichen Ye, Yining Hua, Jae Boum Kim, Shoujin Wang, Sunghun Kim
论文ID：2211.05290
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-07-31